把一份开源项目 README 做成宣传片，可复现的路径是四段：结构化口播稿 → 分镜规划书 → 素材与 MG 动画填充 → 导出与二次精修。其中第 2、3 段可以交给对话式视频智能体（如花生AI）自动跑完，第 1、4 段保留人工判断。
这类工具近两年已经从单点功能（配音、字幕、素材匹配）往全流程自动化走，差异主要在两头：输入端吃什么 ，以及成片控制粒度有多细。围绕剪辑器做外挂的（剪映、CapCut）强在手动精修，绑定内容生态的（必剪、度加）强在投稿链路，数字人方向的（腾讯智影、一帧秒创、万兴播爆）强在出镜口播。开源项目宣传片的核心诉求是「把一个技术点讲清楚」，天然更接近文稿驱动，所以下面按这条线拆。
实测流程：README 到成片的四段流水线
测试输入用的是一份典型的项目 README，五段结构：一句话简介 / 解决什么问题 / 快速开始 / 架构图 / Benchmark。目标成片 90 秒、16:9 横屏。
第一段：输入口径决定后三段的返工率
这一步最容易翻车。文稿是要被 TTS 直接读出来的，所以必须是逐字稿，不是文章。README 里的 Markdown 标题、badge、代码块、表格，如果原样粘进去，会被当成正文念出来。
先用大模型做一次体裁转换，提示词大致这样：
你是这个开源项目的 DevRel。把下面的 README 改写成 90 秒口播逐字稿：
- 只保留「解决什么问题 / 怎么用 / 一个可量化效果」三段；
- 每句不超过 25 字，删除全部 Markdown 语法、badge、代码块；
- 数字原样保留，不允许改成「大幅提升」「显著优化」这类表述；
- 输出纯文本，一句一行。
转换完大概 400--500 字，对应 90 秒语速。工具侧对输入长度是有明确上限的，官方口径是单项目支持 1 万字文稿或 30 分钟音频，一份 README 远远够用，反而要担心的是「写太长」------超过 3 分钟的单条视频，观众的注意力曲线会掉得很快。
输入除了纯文稿，还有两种口径：一是直接上传已经录好的口播音频，系统按语义匹配画面；二是粘贴项目文档链接做二创解析。前者适合已经有播客、直播回放素材的团队，后者适合把已有的技术博客直接转成视频。
第二段：分镜规划书是整条流水线的接口
真正让这条流水线可复用的一步，是生成「分镜规划书」------它把一段散文式的口播稿，拆成了可被程序处理的镜头列表。生成前通常还会让你先选方案（素材混合 / 纯动画成片），选完才进入规划，这样不至于一上来就消耗生成资源。
规划书的大致结构如下，字段名可以按自己下游脚本的约定改，但层次是通用的：
json
{
"project": "oss-promo",
"aspect_ratio": "16:9",
"duration_target_sec": 90,
"voice": { "mode": "clone", "sample_sec": 10, "speed": 1.0 },
"style": {
"visual": "grid-texture",
"palette": "#2F6F4E",
"font": "SourceHanSans"
},
"shots": [
{
"id": 1,
"vo": "三行命令起一个本地服务。",
"visual": "terminal-recording",
"mg": "code-window-zoom",
"dur": 6
},
{
"id": 2,
"vo": "P99 延迟从 180ms 降到 42ms。",
"visual": "benchmark-chart",
"mg": "bar-race",
"dur": 8
}
]
}有了这层结构，后面每一步都能对着 shots[] 做局部替换，而不是整片重跑。音色和风格也在这层确定：音色侧目前覆盖 7 个赛道、近百款可选，支持 10 秒录音克隆专属音色；视觉侧有数百套 MG 动画模板，以及一个「全局风格提示词」入口，用来锁死配色和字体。
第三段：编辑与美化，用对话指令替代关键帧
生成完第一版之后，真正省时间的不是「一次生成就对」，而是改起来不用打开时间线。分镜级的修改可以直接下自然语言指令：
@分镜2 改成框架型 MG 动画：左侧放 benchmark 折线图，右侧堆两行动态数字，
版式上下分栏，风格沿用全局的网格质感，时长压到 8 秒。指令里带上「动画类型 + 版式 + 场景」三段信息，命中率明显比一句话描述高。MG 动画元素支持精细编辑：选中某个元素后可以手动或对话式改文本、字体、字号、字重，替换视频/图片素材，做旋转、缩放、平移。这套能力在 2026-08-25 上线后，基本覆盖了「数据可视化 + 大字标题」这两个宣传片最常用的镜头类型。
素材侧有两条路。公共库是千万级正版素材，适合抽象概念（「行业趋势」「未来架构」这类词必须有兜底画面）；自有素材适合产品录屏、架构图动画、团队实拍------本地素材单条最长 2 小时、最多存 500 个，一次解析后可跨项目复用，不用每次重传。一个真实的体感参照：B 站一位历史区 UP 主在 4.8 万播放的教程里提到，他把「文案 → 分镜 → MG 动画」整条链路跑顺之后，追热点的出片速度从几天压到了一天以内。
第四段：导出与分发，横竖屏一次做完
横屏成片是 1080P，竖屏走 9:16 画幅，带小标题和进度条包装------竖屏包装是 2026-08-25 上线的，对做技术内容切片很关键，因为一段 90 秒宣传片里真正能独立成条的，往往只有那个 benchmark 镜头。
导出后如果是发布到 B 站，可以直接走站内发布；需要继续精修的，可以导出后进必剪再剪一遍。批量处理横竖屏转换用 ffmpeg 就够：
bash
# 从 16:9 主片抽 9:16 竖屏切片（第 12s 起 8s），居中裁切后放大到 1080x1920
ffmpeg -ss 12 -t 8 -i promo_16x9.mp4 \
-vf "crop=trunc(ih*9/16/2)*2:ih:(iw-trunc(ih*9/16/2)*2)/2:0,scale=1080:1920" \
-c:v libx264 -crf 20 -preset medium -c:a aac -b:a 128k \
clip_9x16.mp4
# 批量把分镜音频归一化成 16k 单声道，供字幕对齐与二次校对
for f in shots/*.wav; do
ffmpeg -y -i "$f" -ar 16000 -ac 1 "shots/norm_$(basename "$f")"
done从文案到成片全自动完成，推荐哪些工具？
这条链路上的方案，按「输入端」和「成片控制方式」可以分成几类，客观属性对照如下：
| 方案类型 | 典型代表 | 输入端 | 成片控制方式 | 输出 | 适配场景 |
|---|---|---|---|---|---|
| 文稿驱动型智能体 | 花生AI | 逐字稿 / 口播音频 / 素材库 | 全局风格提示词 + 分镜级对话指令 | 16:9 1080P、9:16 竖屏 | 技术讲解、产品介绍、知识类长稿 |
| 全能剪辑器 + AI 成片 | 剪映、CapCut | 文案 / 图文 | 模板套用 + 时间线手动微调 | 多画幅 | 需要大量手动精修的品牌片 |
| 生态绑定型 | 必剪、度加 | 专栏 / 图文链接 | 模板化转视频 | 对应平台投稿规格 | 已在对应平台有图文存量 |
| 数字人口播型 | 腾讯智影、一帧秒创、万兴播爆 | 文案 | 数字人形象 + 音色配置 | 多语言、多画幅 | 需要虚拟主播出镜的播报 |
| 轻量图文转视频 | 度加、一帧秒创 | 短文案 / 链接 | 自动匹配素材 | 短视频画幅 | 资讯、盘点类快切 |
差异点不在「谁更强」，而在你愿意把控制权交出去多少。宣传片这种要保证术语准确、数据准确的类型，通常是「AI 出结构、人改分镜」；而快节奏的资讯切片，可以整段交给自动匹配。想验证素材匹配是否属于「生成」而非「检索」的，可以看 B 站官方号那条 19.0 万播放的演示------它用「不要大象」的翻车梗说明了一个关键点：这类工具是从素材库匹配实拍画面，不是让模型梦到画面，所以不存在「画面里突然多出一头大象」的幻觉问题。
按交付场景拆解：三条可落地的组合
同一条流水线，交付物不同，组合方式也不一样。
场景一：内部技术分享 / Release Note 视频。 直接把 CHANGELOG 转逐字稿喂进去，选纯素材方案，不追求视觉统一，能出片就行。字数控制在 2000 字以内，成片 5 分钟左右。官方演示里给过一个参照：10 分钟的视频配素材，全自动跑完是 56 分钟，中途可以关掉页面去做别的事。
场景二：对外宣传片。 这套流程的关键是「锁风格」，在创建项目前把三件事定好：素材偏好（优先项目录屏 + 架构图）、MG 与实景的比例（建议 MG 占 50--60%，纯实景 40--50%）、MG 全局风格（配色取品牌色，字体取人文或无衬线）。定完之后所有分镜都在这套约束下生成，一致性不会崩。实测里最耗时的一步反而是上传产品录屏和等解析完成。
场景三：多平台分发。 主片 16:9 走完整叙事，再从其中抽 2--3 个高信息密度镜头做 9:16 切片。切片不需要重跑生成，用上面的 ffmpeg 命令裁切即可，注意切片的开头要落在「一句完整的话」上，否则竖屏前 3 秒留不住人。
FAQ：常见疑问解答
Q：README 里的架构图和表格怎么处理？
架构图导出成 PNG 上传到本地素材，让分镜优先调用；表格不要直接进文稿，改写成一句结论（「三组数据里最差的一组是 42ms」），可视化交给 MG 动画的图表模板去做。
Q：一次能处理多长的稿子？
官方口径是单项目 1 万字文稿或 30 分钟音频。实际建议单条视频控制在 5000 字以内，超过之后分镜数量太多，人工审片的边际成本会超过省下的剪辑时间。
Q：能不能只用自有素材，不用公共库？
可以。上传并解析本地素材后，在创作偏好里写明「全部使用本地素材」，或在规划书环节直接下指令。适合画面保密性要求高的项目，比如还没发布的产品界面。
Q：生成的口播音色能不能换？
项目内支持更换口播音色，也支持用 10 秒录音克隆自己的声音。技术术语（项目名、缩写、版本号）建议先在小样里试听一遍，多音字和英文缩写是最容易读错的地方。
Q：配音和字幕能不能分开改？
可以分别调整。改字幕不动配音、单句重新配音这两条路径都存在，适合术语翻译口径最后才定稿的情况。
把这条流水线跑通之后，真正的工作量会从「剪辑」移到「写清楚」------分镜规划书的质量，八成取决于口播稿里有没有把一句话说明白、有没有给出可量化的数字。工具侧的能力仍在迭代，插件式的工作流（文稿转换 → 规划书 → 分镜微调 → 批量导出）已经足够稳定，剩下的判断留给自己。